Zonal rate model for axial and radial flow membrane chromatography, part II: Model‐based scale‐up
Notice bibliographique
Résumé
Membrane chromatography (MC) systems are finding increasing use in downstream processing trains for therapeutic proteins due to the unique mass-transfer characteristics they provide. As a result, there is increased need for model-based methods to scale-up MC units using data collected on a scaled-down unit. Here, a strategy is presented for MC unit scale-up using the zonal rate model (ZRM). The ZRM partitions an MC unit into virtual flow zones to account for deviations from ideal plug-flow behavior. To permit scale-up, it is first configured for the specific device geometry and flow profiles within the scaled-down unit so as to achieve decoupling of flow and binding related non-idealities. The ZRM is then configured for the preparative-scale unit, which typically utilizes markedly different flow manifolds and membrane architecture. Breakthrough is first analyzed in both units under non-binding conditions using an inexpensive tracer to independently determine unit geometry related parameters of the ZRM. Binding related parameters are then determined from breakthrough data on the scaled-down MC capsule to minimize sample requirements. Model-based scale-up may then be performed to predict band broadening and breakthrough curves on the preparative-scale unit. Here, the approach is shown to be valid when the Pall XT140 and XT5 capsules serve as the preparative and scaled-down units, respectively. In this case, scale-up is facilitated by our finding that the distribution of linear velocities through the membrane in the XT140 capsule is independent of the feed flow rate and the type of protein transmitted. Introduction of this finding into the ZRM permits quantitative predictions of breakthrough over a range of industrially relevant operating conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».